Fundamentos conceptuales e historia de la estadística aplicada

En una investigación psicológica aparecen dos momentos que conviene mantener vinculados, aunque cumplen funciones distintas. El primero consiste en recoger datos y ordenarlos de manera que pierdan la menor información posible. El segundo utiliza esa información observada para formular una conclusión sobre un conjunto más amplio. Una misma investigación puede incluir ambos movimientos: primero se necesita una descripción legible de la muestra y luego se evalúa si el patrón encontrado ofrece una base razonable para hablar de la población.

La estadística descriptiva organiza lo observado

La estadística descriptiva trabaja con los datos disponibles. Puede resumir un conjunto de puntuaciones mediante una media, una mediana, una proporción, una frecuencia, un rango, una desviación o un gráfico. También puede mostrar la forma de una distribución, comparar subgrupos o presentar la relación entre dos variables. Su objetivo inmediato es producir una representación ordenada, clara y tan precisa como permita la información recolectada.

Imagina que un equipo estudia la puntuación de una escala de bienestar en 120 estudiantes. La descriptiva podría informar la media del grupo, la dispersión de las puntuaciones, el porcentaje de participantes por encima de un punto de corte y la forma del histograma. Estos resultados describen a esas 120 personas. No dicen, por sí solos, qué sucedería con la población de la que fueron seleccionadas.

La descripción tiene además una función de control. Al mirar la distribución, el equipo puede detectar valores atípicos, entrevistar respuestas perdidas, comprobar si las categorías de una variable se han codificado bien y evaluar si el instrumento produjo una variedad razonable de respuestas. Este trabajo evita que un promedio aislado o una tabla mal construida conduzcan a una interpretación ingenua.

La inferencia formula una conclusión con límites

La estadística inferencial parte de datos muestrales y utiliza modelos probabilísticos para evaluar afirmaciones sobre parámetros, diferencias, asociaciones o efectos. La inferencia puede adoptar la forma de un intervalo de confianza, una prueba de hipótesis, un modelo de regresión, un análisis de varianza o una comparación de proporciones. En cada uno de los casos, el resultado se interpreta junto con el diseño, el tamaño de la muestra, la variabilidad, el alcance de la medición y las decisiones tomadas durante el análisis.

La relación entre descriptiva e inferencia se entiende con mayor precisión si se evita una separación absoluta. La descriptiva ofrece el mapa de los datos y la inferencia propone una lectura de ese mapa para una población. Un resultado inferencial no reemplaza la lectura descriptiva. Si un informe muestra un valor de p muy pequeño y omite la media, el tamaño del efecto y la dispersión, deja al lector sin una porción importante del contexto.

Una misma pregunta, varias escalas de lectura

Considera una pregunta sencilla: ¿las personas que participaron en un taller de regulación emocional presentan luego menos síntomas de ansiedad que quienes no participaron? La descriptiva puede comparar las medias, medianas, distribuciones y tamaños de cada grupo. La inferencia puede evaluar si la diferencia observada resulta compatible con una variación de muestreo bajo un modelo determinado. Para que esa evaluación tenga sentido, el estudio debe definir cómo se asignaron las condiciones, qué variable representa los síntomas, cuántos casos participaron y qué incertidumbre puede acompañar la estimación.

Este ejemplo muestra por qué el análisis estadístico no se reduce a pulsar una prueba. Cada técnica resume una estructura de datos y responde a una pregunta. Elegir una prueba porque parece la más conocida puede producir una respuesta mal planteada. La pregunta de investigación, la unidad de análisis, el diseño y la forma de medición deben decidir antes de interpretar el resultado.

Qué busca cada parte

• Describir: resumir puntuaciones, categorías, frecuencias, variabilidad y patrones dentro de la muestra.
• Comparar: examinar diferencias entre grupos, momentos o condiciones.
• Relacionar: estudiar la asociación entre variables, sin convertir una covarianza en una explicación causal automática.
• Predecir: construir una regla o un modelo que estime valores futuros a partir de variables conocidas.
• Infiereir: trasladar la evidencia muestral a una población, expresando el grado de incertidumbre.
• Valorar el diseño: considerar si la recolección y el diseño permiten responder la pregunta planteada.

La población es el conjunto de referencia al que se quiere extender una conclusión. Puede estar formado por estudiantes de una institución, personas adultas de una ciudad, pacientes de un servicio, trabajadores de una organización, respuestas de un experimento o registros de una base de datos. La definición de población debe acompañar a la pregunta: si el estudio trata sobre adolescentes escolarizados, la población pertinente puede ser ese grupo y no la población humana en general.

La muestra es el conjunto de unidades efectivamente observado o incorporada. El muestreo puede ser probabilístico cuando cada unidad de la población tiene una posibilidad conocida de ser seleccionada. También existe el muestreo no probabilístico, donde la selección depende de la accesibilidad, el voluntariado, las cuotas, la conveniencia u otro criterio. La forma de muestreo importa para valorar qué clase de generalización cabe. Un intervalo de confianza calculado bajo ciertos supuestos no vuelve probabilístico un muestreo que no lo fue.

La unidad de análisis fija el nivel de la inferencia

La unidad de análisis es la entidad que aporta los datos y respecto de la cual se formulan las conclusiones. Puede ser una persona, una familia, una escuela, una sesión terapéutica, una organización, un barrio, una respuesta o un registro. La unidad debe quedar definida antes de recolectar datos, porque una misma investigación puede medir variables en niveles distintos.

Supón que un estudio encuesta a estudiantes y también pregunta por sus docentes. Si el análisis trata cada respuesta individual como independiente cuando varias respuestas pertenecen a un mismo salón, puede estar pasando por alto una estructura agrupada. Si la conclusión describe escuelas, la escuela será la unidad de análisis; las respuestas de estudiantes serán observaciones anidadas que deberán tratarse con un diseño acorde. Esta precisión evita confundir el nivel de medición con el nivel de la conclusión.

Muestreo, cobertura y representatividad

La representatividad no depende solo de tener muchos casos. Una muestra numerosa puede reproducir mal algunas características de la población si el procedimiento excluye a ciertos grupos. A la inversa, una muestra pequeña puede responder a una pregunta exploratoria con un alcance limitado. Por eso el informe debe indicar el marco de muestreo, el procedimiento de selección, el tamaño final, las pérdidas, los criterios de inclusión y la tasa de respuesta cuando corresponda.

En psicología, las muestras suelen construirse en contextos institucionales, educativos o clínicos. Esa procedencia puede facilitar la recolección y limitar la transferencia. La población objetivo puede ser amplia, mientras que la muestra disponible queda definida por el lugar y el periodo del estudio. Esta diferencia forma parte de la interpretación.

Un ejemplo de cambio de unidad

Un proyecto podría analizar la relación entre horas de sueño y rendimiento académico. Si el dato proviene de una encuesta aplicada a estudiantes, la unidad puede ser el estudiante. Si el proyecto utiliza notas promedio de cursos y aplica una política de horario a varios cursos, la unidad de análisis puede ser el curso. Las variables se parecen en el nombre, pero el diseño, la dependencia entre observaciones y la inferencia cambian.

La pregunta “¿los estudiantes duermen más?” y “¿los cursos con un horario modificado muestran un rendimiento medio distinto?” no son equivalentes. La primera describe respuestas individuales; la segunda compara unidades colectivas. El análisis debe respetar esa diferencia para no producir una inferencia Ecológica o una conclusión que trasciende el nivel de los datos.

Control de una definición operativa

Una buena definición de unidad responde: ¿qué se contó?, ¿cada elemento se incluyó una vez?, ¿los registros repetidos representan unidades distintas?, ¿qué ocurre con las respuestas incompletas?, ¿las observaciones están agrupadas? Estas preguntas resultan especialmente importantes en estudios longitudinales, encuestas de hogares, investigaciones familiares, observaciones de aula y experimentos con medidas repetidas.

Una variable es una característica que puede tomar distintos valores. En psicología puede representar una puntuación de ansiedad, el número de sesiones asistidas, el tipo de intervención, el tiempo de respuesta, una categoría diagnóstica o una condición experimental. El término indica que la característica puede cambiar entre unidades, momentos o condiciones. No significa que cada cifra sea una variable: el dato debe estar unido a una definición, una unidad y un procedimiento de observación.

Tipos de variables según su papel

Una variable independiente o predictora representa la condición, exposición, característica o tiempo que el estudio utiliza para explicar o predecir otra variable. Una variable dependiente o de resultado representa la magnitud que se espera como respuesta. En estudios observacionales, esta separación puede resultar más prudente: la variable predictora no suele ser manipulada y la relación encontrada no demuestra por sí sola causalidad.

También se distinguen variables cualitativas y cuantitativas, además de niveles ordinales, intervalares y de razón en el marco de la medición. La tipología de escalas y la jerarquía de datos se desarrollan con mayor profundidad en el apunte enlazado al final de este texto. Aquí basta con una regla: el tipo de variable y la escala de medición orientan los resúmenes, las comparaciones y las técnicas estadísticas permitidas.

Notación: por qué conviene separar símbolo y estimación

La notación estadística usa símbolos para diferenciar valores de la población y valores de la muestra. La media poblacional suele representarse con la letra griega mu, mientras que la media muestral se representa con x-barra. La proporción poblacional suele escribirse como p y la proporción muestral como p-sombrero. Las convenciones pueden variar según el texto, por lo que conviene revisar la notación adoptada por cada manual.

La separación es importante porque la media de la muestra no es idéntica a la media de la población. La primera se calcula a partir de casos observados. La segunda describe el conjunto de referencia y, con frecuencia, permanece fuera de nuestro alcance directo. El lenguaje estadístico funciona como un mapa: permite ver de inmediato qué clase de cantidad estamos discutiendo.

En un estudio sobre memoria de trabajo, la puntuación media de 40 participantes es una estadística muestral. La media de las personas de la población de interés sería un parámetro. El equipo no observa directamente ese parámetro; construye una estimación acompañada por un margen de error o un intervalo de confianza bajo el modelo elegido.

Del constructo a la variable observada

En psicología existe una distancia entre el concepto teórico y el indicador concreto. “Motivación”, “ansiedad” o “autoestima” son constructos que requieren una definición operativa. La operacionalización puede incluir cuestionarios, tareas, observaciones, entrevistas, registros de conducta o indicadores fisiológicos. Cada fuente puede aportar información y también puede introducir error.

Un buen reporte estadístico relaciona el constructo con la variable medida, la escala, las categorías, la dirección de la codificación y la unidad de registro. También informa los criterios de confiabilidad o validez cuando han sido evaluados. Esta trazabilidad ayuda a interpretar un resultado sin asumir que una puntuación representa el constructo total en cada contexto.

Parámetro, estadística y modelo no son palabras intercambiables

Una estadística es una función calculada a partir de la muestra; un parámetro es una cantidad poblacional; un modelo es una representación simplificada que relaciona variables o genera datos bajo supuestos. Un intervalo de confianza puede estimar un parámetro. Un resultado de prueba puede evaluar una hipótesis sobre un parámetro. Una regresión puede estimar relaciones entre variables a partir de coeficientes que dependen del modelo.

Esta distinción también mejora la comunicación. En vez de decir “la media fue significativa”, puedes precisar qué media se comparó, en qué grupo, con qué muestra, bajo qué diseño y con qué procedimiento inferencial. La frase será más informativa, menos ambigua y más fácil de revisar.

El recorrido muestra que una variable estadística no aparece de la nada. Primero se formula una pregunta; después se define el constructo; luego se elige una forma de medición; finalmente se obtiene una cifra que debe viajar de vuelta hacia la pregunta original. Si se pierde un eslabón, el análisis puede conservar el formalismo y perder sentido psicológico.

Preguntas de control antes del análisis

• ¿La variable tiene una definición comprensible para otra persona del equipo?
• ¿La escala de medición y las categorías utilizadas se han documentado?
• ¿La unidad de análisis corresponde a la pregunta de investigación?
• ¿La estadística calculada describe la muestra o estima un parámetro?
• ¿El modelo elegido tiene supuestos cuya comprobación sea relevante para este caso?
• ¿La conclusión distingue asociación, predicción y causalidad?

La historia de la estadística aplicada puede entenderse como una sucesión de problemas y respuestas. No se trata de una marcha lineal hacia una técnica definitiva. Distintas tradiciones —administrativa, demográfica, biológica, social, psicológica y matemática— se encontraron alrededor de la necesidad de resumir variación, comparar observaciones y formular conclusiones con un grado controlado de incertidumbre. Quetelet, Galton, Pearson y Fisher permiten reconocer problemas que todavía organizan nuestro trabajo.

Quetelet: el promedio como asunto social

Adolphe Quetelet observó que ciertas características de las poblaciones podían resumirse mediante promedios y distribuciones. Su aproximación desplazó la mirada desde el caso aislado hacia regularidades colectivas. El “hombre promedio” fue una forma de examinar una regularidad estadística, no una etiqueta para cada persona. La idea introdujo una tensión productiva: un promedio puede describir un conjunto y, al mismo tiempo, ocultar la variación interna.

En psicología, esta herencia ayuda a preguntar qué significa una puntuación típica. Si un grupo obtiene una media elevada en una escala, no se sigue que cada integrante tenga una puntuación alta. La distribución, la dispersión y los subgrupos importan. Quetelet también recuerda que los datos sociales requieren contexto: las regularidades pueden ser estables dentro de un período, pero no necesariamente representan una ley natural ni una esencia individual.

Galton: variación, herencia y comparación

Francis Galton estudió la variación de rasgos y desarrolló herramientas para comparar posiciones dentro de distribuciones. La noción de percentil permitió ubicar una observación en relación con el resto del conjunto. Sus trabajos sobre herencia y la idea de regresión también se relacionan con una medición extrema en una generación, que tiende a acompanhar una medición menos extrema en la siguiente dentro de un modelo particular.

La noción de regresión resulta central para leer la asociación. Si dos variables tienen una relación, los valores de una pueden ayudar a predecir los de otra, aunque la predicción conserve error. La pendiente de una recta de regresión resume una tendencia promedio; no afirma que cada uno de los casos siga esa tendencia. En psicología, esta idea ayuda a diferenciar “dos variables se relacionan” de “una variable determina por sí sola la otra”.

El legado de Galton debe leerse con crítica histórica. Sus ideas sobre la herencia formaron parte de ideologías que ayudaron a naturalizar desigualdades sociales. La estadística ofrece herramientas, pero los conceptos no quedan fuera de las preguntas, los valores y los usos sociales que los rodean. Un curso responsable debe mantener esta doble lectura: reconocer la importancia matemática y examinar el contexto en que fue producida.

Pearson: tablas, asociación y prueba

Karl Pearson contribuyó a formalizar el estudio de la asociación y el uso de tablas de contingencia. El chi-cuadrado de Pearson se volvió una referencia para comparar frecuencias observadas con las que serían esperadas bajo una hipótesis de independencia u otro modelo. En lugar de confiar en una impresión sobre una tabla, el procedimiento transforma las diferencias entre conteos en una cantidad que puede evaluarse bajo supuestos definidos.

Este hito tiene una aplicación psicológica directa. Puedes clasificar respuestas en categorías y estudiar si dos atributos aparecen asociados. La prueba no dice que una variable cause la otra. Tampoco decide por sí sola si una diferencia pequeña posee relevancia práctica. El diseño de la tabla, las frecuencias esperadas, el tamaño de la muestra y la interpretación del contexto siguen siendo necesarios.

Fisher: diseño, variabilidad e inferencia

Ronald Fisher desarrolló herramientas que ayudaron a articular el diseño experimental, el análisis de varianza y la lógica de las pruebas estadísticas. El análisis de varianza puede descomponer la variación observada en fuentes relacionadas con condiciones y con error residual. Su utilidad no se limita a una lista de cuentas: permite comparar grupos mediante un modelo que hace explícita la variabilidad.

Fisher también contribuyó a instalar una manera de evaluar afirmaciones estadísticas mediante datos observados. La prueba de hipótesis, sin embargo, no debe reducirse a la frase “rechazar o no rechazar”. El resultado depende del modelo, los supuestos, la selección de la evidencia y la magnitud del efecto. La práctica moderna prioriza estimaciones, incertidumbre y pertinencia sustantiva.

De la historia a una brújula de autores

Para orientarte en la bibliografía, puedes usar cuatro nombres como brújula, no como una frontera. Pagano suele ofrecer una introducción que conecta probabilidad, distribuciones, estimación y pruebas. Field acompaña el aprendizaje de la estadística aplicada con énfasis en razonamiento, ejemplos y software. Coolican presenta material para ciencias del comportamiento con atención a la investigación psicológica. La elección del manual no modifica los conceptos, pero sí cambia el orden, la profundidad y el lenguaje de la explicación.

Una lectura integrada

Los cuatro hitos pueden organizar una misma investigación. Quetelet te recuerda observar la distribución y no perder la variación. Galton te invita a ubicar casos y modelar tendencias. Pearson ayuda a convertir una tabla en evidencia de asociación bajo una referencia concreta. Fisher te pide considerar el diseño, las fuentes de variación y la inferencia. En psicología, las cuatro preocupaciones se encuentran en una escala, un experimento, una encuesta o un registro clínico.

La historia también corrige una idea equivocada: los métodos estadísticos no esperan a que una disciplina los descubra como herramientas completas. Se desarrollaron en respuesta a problemas de medición, registro, comparación y decisión. Al estudiar un método, conviene preguntar por su problema original, por las condiciones que permiten su uso y por las interpretaciones que pueden quedar fuera de su alcance.

La estadística cumple varias funciones dentro de una investigación psicológica. Primero, ayuda a convertir observaciones en datos con una forma de registro explícita. Segundo, ofrece procedimientos para resumir, visualizar y comparar. Tercero, permite evaluar afirmaciones sobre una población con una lógica de incertidumbre. Cuarto, contribuye a detectar patrones que podrían pasar inadvertidos en una lectura intuitiva. Quinto, obliga a hacer visibles decisiones que de otro modo quedan ocultas.

Formular y operacionalizar preguntas

Antes de calcular, la estadística obliga a precisar qué se medirá. En un estudio sobre procrastinación, el constructo puede operacionalizarse mediante una escala, una tarea de elección de tiempos, un registro de entregas o una entrevista. Cada opción crea una variable diferente. La elección debe responder a la pregunta y a las condiciones de la investigación, no a la disponibilidad de un botón en un software.

La operacionalización también incluye el sistema de codificación. Dos observadores pueden registrar la misma conducta con categorías distintas; un formulario puede transformar una escala de respuesta en números; una variable de tiempo puede medirse en minutos, días o sesiones. Registrar estas decisiones permite que otra persona entienda cómo se obtuvo el dato y qué clase de interpretación admite.

Describir sin borrar la diversidad

Una tabla bien construida, una media acompañada de una medida de dispersión y un gráfico elegido según la escala de medición ofrecen una primera aproximación. Una descripción debe conservar la información que una sola cifra no puede contener. Compara la media con la mediana, los porcentajes por categoría, la distribución y la proporción de datos faltantes. Busca asimetrías, observaciones aisladas y subgrupos que puedan mostrar patrones diferentes.

Este principio resulta especialmente importante en la investigación clínica y educativa. Una respuesta promedio puede ocultar un acceso desigual, distintos niveles iniciales o una respuesta que cambia según el contexto. La psicología estudia personas en relación con situaciones; por eso la descripción debe conservar tanto el patrón común como la variación que le da sentido.

Inferir con una pregunta, un modelo y límites de incertidumbre

La inferencia comienza cuando el resultado observado se utiliza para evaluar una afirmación sobre una población o un proceso generador de datos. Un intervalo de confianza estima un intervalo asociado con un parámetro bajo un modelo. Una prueba de hipótesis evalúa la compatibilidad entre los datos y una afirmación de referencia. Un coeficiente de regresión describe una relación dentro del modelo ajustado. La interpretación exacta depende del diseño de investigación y de los supuestos del procedimiento.

La significación estadística y la importancia práctica son preguntas distintas. Un resultado puede ser improbable bajo un modelo nulo y aun así mostrar un efecto pequeño en el contexto estudiado. A la inversa, un efecto puede importar mucho incluso cuando la muestra disponible ofrece información imprecisa. Por eso los informes deben presentar tamaños del efecto, intervalos cuando corresponda, el nivel alfa cuando se usa una prueba, la composición de la muestra y las decisiones que dieron forma al análisis.

Asociación, predicción y causalidad

La asociación indica que dos variables varían juntas en los datos observados. La predicción utiliza información de una o más variables para estimar otra. La causalidad pregunta si un cambio en un factor contribuye a cambiar otro, bajo un diseño y una teoría que apoyen esa interpretación. Las técnicas estadísticas pueden contribuir a cada tarea, pero las tareas no son idénticas.

Imagina que un estudio encuentra asociación entre apoyo social y bienestar. Una encuesta transversal puede describir esa relación. Un modelo puede predecir una puntuación de bienestar a partir de indicadores de apoyo. Una intervención aleatorizada podría examinar si cambiar el apoyo cambia el bienestar. Son afirmaciones de conocimiento distintas y requieren diseños, mediciones y planes de análisis diferentes.

Transparencia, supuestos y reproducibilidad

La investigación psicológica gana credibilidad cuando el camino desde la pregunta hasta la conclusión puede revisarse. Describe los criterios de inclusión, el flujo de participantes, la construcción de variables, las transformaciones, el tratamiento de datos faltantes, las exclusiones, el software y el plan de análisis. Cuando se estudian varios resultados, informa la familia de análisis o explica la regla de selección. Cuando los supuestos importan, indica cómo se evaluaron y cómo una infracción podría afectar la interpretación.

La transparencia no consiste en exponer cada duda exploratoria. Significa distinguir las afirmaciones confirmatorias de los hallazgos exploratorios, documentar las desviaciones y evitar presentar la flexibilidad como si hubiera estado prevista desde el principio. La reproducibilidad también depende de definiciones claras, diccionarios de datos legibles y una separación entre observaciones brutas, variables derivadas y resultados analíticos.

Ética y responsabilidad estadística

El trabajo estadístico involucra a personas e instituciones. Un resultado puede influir en diagnósticos, oportunidades educativas, acceso a servicios o percepciones públicas. Por eso la privacidad, el consentimiento, la protección de datos y la representación equitativa forman parte de la práctica estadística. Un informe debe evitar exponer información identificable, respetar a los grupos pequeños y explicar las limitaciones sin convertirlas en un párrafo decorativo.

Los grupos no son intercambiables. Un modelo ajustado o estimado en una población puede funcionar de forma distinta en otra. La calibración, la invarianza de medición y el análisis de errores merecen atención cuando un instrumento se usa en un contexto nuevo. Una estimación estadísticamente precisa todavía puede inducir a error social si el marco muestral excluye a quienes sufren las consecuencias de la decisión.

Del resumen a la comunicación

Un informe útil se mueve entre números y significado. Comienza con la pregunta de investigación y el diseño. Después define variables, muestra y procedimientos. Presenta la imagen descriptiva antes del resultado inferencial. Incluye una estimación del efecto y su incertidumbre, junto con el resultado de una prueba formal. Termina con una interpretación acotada, implicaciones prácticas y limitaciones que realmente restrinjan la afirmación.

Una persona que lee debería poder responder: ¿quién participó? ¿Qué se midió? ¿Qué comparación o asociación se examinó? ¿Qué modelo produjo el resultado? ¿Qué tan grande fue el efecto? ¿Qué tan incierta fue la estimación? ¿Qué explicación alternativa queda? ¿Qué población respaldan el muestreo y el diseño? Esta secuencia convierte la comunicación estadística en una forma de razonamiento psicológico, en lugar de una exhibición de vocabulario técnico.

Una guía de cinco movimientos para aplicar el marco

1. Delimitación: formula la población, la muestra, la unidad de análisis y la pregunta en una frase verificable.
2. Medición: define el constructo, la variable, la escala y la forma en que se registró cada observación.
3. Lectura descriptiva: examina distribuciones, tamaños, variabilidad, categorías, valores faltantes y posibles errores de codificación.
4. Lectura inferencial: selecciona el modelo según el diseño y la variable, comprueba los supuestos relevantes e interpreta estimación, efecto e incertidumbre.
5. Comunicación responsable: distingue descripción, asociación, predicción y causalidad, y informa el alcance de la conclusión.

Relaciones que conviene mantener visibles

Autoevaluación de lectura